CN113010317B - 联合服务部署与任务卸载方法、装置、计算机设备及介质 - Google Patents

联合服务部署与任务卸载方法、装置、计算机设备及介质 Download PDF

Info

Publication number
CN113010317B
CN113010317B CN202110337597.9A CN202110337597A CN113010317B CN 113010317 B CN113010317 B CN 113010317B CN 202110337597 A CN202110337597 A CN 202110337597A CN 113010317 B CN113010317 B CN 113010317B
Authority
CN
China
Prior art keywords
task
service
time slot
base station
mobile edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110337597.9A
Other languages
English (en)
Other versions
CN113010317A (zh
Inventor
张幸林
李鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110337597.9A priority Critical patent/CN113010317B/zh
Publication of CN113010317A publication Critical patent/CN113010317A/zh
Application granted granted Critical
Publication of CN113010317B publication Critical patent/CN113010317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W56/00—Synchronisation arrangements
    • H04W56/001—Synchronization between nodes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种联合服务部署与任务卸载方法、系统、计算机设备及介质，所述方法包括：确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性；根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型；根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移‑减‑效用项；根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果。本发明考虑了服务部署和任务卸载的不对称更新频率，以及如何在移动边缘计算系统中分配服务请求来满足服务需求，以最大程度地提高移动边缘计算系统的效用。

Description

联合服务部署与任务卸载方法、装置、计算机设备及介质
技术领域
本发明涉及一种联合服务部署与任务卸载方法、装置、计算机设备及存储介质，属于边缘计算技术领域。
背景技术
移动边缘计算(Mobile Edge Computing，MEC)的出现，将计算应用、数据和服务的前沿从集中式云计算基础设施推向网络的逻辑边缘，从而使分析和知识生成更接近数据源。任务卸载技术使得用户能将一些在资源较为限制的终端设备上无法高效计算的任务卸载到资源更为丰富的基站中，以便更快完成任务。而服务部署——指将应用程序服务及其相关数据库/库缓存到与基站共存的边缘服务器中，从而使需要请求这些服务的任务得以执行，也成为关注的主要技术。
考虑到在随机网络中时时刻刻变化的任务需求，移动边缘计算系统长期的网络效用比即时的短期性能更有参考意义。然而，网络资源约束会随着时间的推移对计算服务的配置进行约束。因此，在不了解未来需求的情况下，如何在随机网络环境下自适应地做出最优服务布局是一个挑战。另一方面，随着5G网络的兴起，边缘基站的密度逐渐增加，每个用户可以在重叠覆盖区域内被多个边缘基站覆盖。因此，密集的边缘网络提供了一个高度耦合的环境，并进一步复杂化了需要在所有基站之间进行协调的服务部署和任务卸载策略。
进一步，哪个服务被缓存到哪个基站会影响任务卸载决策，这反过来又会影响移动边缘计算系统的性能。而近期的工作研究了考虑联合服务部署和任务卸载的解决方案，其中服务部署和任务卸载的决策是在一个时间间隙同步做出的，这种同步方式忽略了服务部署和任务卸载的不对称更新频率：如时隙较短，频繁更新的服务会导致系统成本过高；反之，如果时隙较大，将会在边缘网络上积累大量的任务需求，导致骨干网络流量拥挤，服务响应过慢。
考虑到上述的一些不足和缺点，在新的挑战下，传统的方法已经不适用了，所以需要设计新的方法来进一步提高服务质量。
发明内容
有鉴于此，本发明提供了一种联合服务部署与任务卸载方法、装置、计算机设备及存储介质，其考虑了服务部署和任务卸载的不对称更新频率，以及如何在移动边缘计算系统中分配服务请求来满足服务需求，以最大程度地提高移动边缘计算系统的效用。
本发明的第一个目的在于提供一种联合服务部署与任务卸载方法。
本发明的第二个目的在于提供一种联合服务部署与任务卸载装置。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种联合服务部署与任务卸载方法，所述方法包括：
确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性；
根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型；
根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项；
根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果。
进一步的，所述确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性，具体包括：
考虑一个以时隙方式运行的移动边缘计算系统，将时间轴被划分为个时间段，每个时间帧由长度为/>的时间槽组成；给定一个时间槽序列/> 定义t＝kT作为每个时间段[t,t+T-1]的开始；
考虑具有N个基站的移动边缘计算系统，将N个基站定义为每个基站/>有移动边缘计算服务器为该基站覆盖范围内的终端设备提供计算服务；将网络区域划分为I个不相交的子区域，定义为/>
假设基站n具有有限的计算资源来处理计算任务以及有限的存储空间来部署服务，将计算任务定义为Fn，将部署服务定义为Rn；假设移动边缘计算系统提供了S个计算服务，记为每个服务/>需要一个存储空间rs来存储与服务s相关的库和数据库，并且每比特的计算量需要fs的CPU周期；假设子区域i在时隙τ中对服务类型为s的任务计算需求定义为/>服从参数为1/λs,i的指数分布。
进一步的，所述服务部署与任务卸载计算模型，如下式：
所述服务部署与任务卸载计算模型受限于以下各式：
其中，为二元决策变量，表示服务s是否在时间段t部署在基站n，为时间段t基站n所有服务的服务配置决策集合，/> 为时间段t所有基站的服务部署决策集合；/>为连续决策变量，表示表示在时间槽τ卸载到基站n的任务计算需求量/>的比例，为所有子区域在时间槽τ基站n中服务s的卸载决策集合；为非负实数变量，表示在时间槽τ基站n分配给服务类型为s的任务计算量的计算资源，和/>分别表示在时间槽τ基站n和所有基站的计算资源分配决策；/>表示在时间槽τ基站n中服务s的任务挤压队列。
进一步的，所述根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项，具体包括：
定义时间段t＝kT中所有服务的所有基站的任务队列积压向量得到二次李雅普诺夫函数L(Θ(t))；
根据二次李雅普诺夫函数L(Θ(t))，定义T-slot条件李雅普诺夫漂移；
设计漂移-减-效用最小化策略，以最小化每个时间段下漂移-减-效用项的上界。
进一步的，所述二次李雅普诺夫函数L(Θ(t))，如下式：
其中，所述二次李雅普诺夫函数L(Θ(t))为非负函数，当且仅当L(Θ(t))中所有元素等于0时，李雅普诺夫函数等于0。
进一步的，所述漂移-减-效用最小化策略，如下式：
其中，V≥0，为一个控制参数，表示移动边缘计算系统强调效益最大化的重要性权重。
进一步的，所述根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果，如下式：
其中，Θ(t)表示时间段t＝kT中所有服务的所有基站的任务队列积压向量，表示在时间槽τ基站n中服务s的任务挤压队列；/>表示在时间槽τ基站n分配给服务类型为s的任务计算量的计算资源，/>表示在时间槽τ从基站n迁往云的服务为s的任务计算需求量；/>
本发明的第二个目的可以通过采取如下技术方案达到：
一种联合服务部署与任务卸载装置，所述装置包括：
确定模块，用于确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性；
建立模块，用于根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型；
优化模块，用于根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项；
计算模块，用于根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的联合服务部署与任务卸载方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的联合服务部署与任务卸载方法。
本发明相对于现有技术具有如下的有益效果：
本发明基于双时间尺度框架分别对服务部署和任务卸载进行决策，对现有的同步服务部署和任务卸载方法进行了推广，在该双时间尺度框架下，基于李雅普诺夫优化设计了一个在线算法，可以根据移动边缘计算系统当前的信息做出决策，而不需要未来的信息，大大降低了时间复杂度并且在延迟和效益中提供多种平衡方法，能够在合理的延迟下，实现异步的服务部署和任务卸载决策方法，提高移动边缘计算系统的整体效益，降低移动边缘计算系统的复杂性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的联合服务部署与任务卸载方法的流程图。
图2为本发明实施例1的移动边缘计算系统的框架图。
图3为本发明实施例1的双时间尺度框架图。
图4为本发明实施例2的联合服务部署与任务卸载装置的结构框图。
图5为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例1：
本实施例提供了一种联合服务部署和任务卸载方法，该方法考虑了服务部署和任务卸载的不对称更新频率，以及如何在边缘系统中分配服务请求来满足服务需求，以最大程度地提高移动边缘计算系统的效用，如图1所示，本实施例的联合服务部署和任务卸载方法包括以下步骤：
S101、确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性。
进一步地，该步骤S101具体包括：
S1011、考虑一个以时隙方式运行的移动边缘计算(MEC)系统，如图1所示，将时间轴被划分为个时间段(粗粒度，如小时/天)，每个时间帧由长度为/>的时间槽(细粒度的，如秒/分钟)组成；给定一个时间槽序列/>定义t＝kT(k＝0,1,…)作为每个时间段[t,t+T-1]的开始，如图2所示。
S1012、考虑具有N个基站(BS)的移动边缘计算系统，如图1所示，将N个基站定义为每个基站/>有移动边缘计算服务器为该基站覆盖范围内的终端设备(如手机、笔记本电脑)提供计算服务；将网络区域划分为I个不相交的子区域，定义为因为基站部署密集，子区域/>可以被一组基站/>覆盖；类似地，基站n可以覆盖的子区域集为/>
S1013、假设基站n具有有限的计算资源来处理计算任务以及有限的存储空间来部署服务，将计算任务定义为Fn(最大CPU频率)，将部署服务定义为Rn；假设移动边缘计算系统提供了S个计算服务，记为每个服务/>需要一个存储空间rs来存储与服务s相关的库和数据库，并且每比特的计算量需要fs的CPU周期；此外，假设子区域i在时隙τ中对服务类型为s的任务计算需求(单位为比特)定义为/>服从参数为1/λs,i的指数分布，因为指数分布具有无记忆性质，因此/>的期望为/>
定义服务部署决策、任务卸载决策、任务迁移决策和计算资源分配决策，如下：
定义1(服务部署决策)：令二元决策变量表示服务s是否在时间段t部署在基站n，则/>为时间段t基站n所有服务的服务配置决策集合，为时间段t所有基站的服务部署决策集合；此外，部署在基站n的服务占用的存储空间在任何时候都不应超过该基站的总存储空间，限制条件如下：
定义2(任务卸载决策)：令连续决策变量表示在时间槽τ卸载到基站n的任务计算需求量/>的比例，则/>为所有子区域在时间槽τ基站n中服务s的卸载决策集合，其中如果/>则/>并且，和/>分别表示在时间槽τ基站n的任务卸载决策集合和所有基站的任务卸载决策集合。此外，在任意时间槽τ中，从子区i卸载到/>中的基站的服务类型为s的任务计算需求总和为1，限制条件如下：
定义3(任务迁移决策)：令非负实数变量表示在时间槽τ从基站n迁往云的服务为s的任务计算需求量，其中l表示云服务器，则/>为时间槽τ所有服务类型的任务计算量从基站n迁移到云服务器l的任务迁移决策集合，表示所有基站在时间槽τ的任务迁移决策集合。
定义4(计算资源分配决策)：令非负实数变量表示在时间槽τ基站n分配给服务类型为s的任务计算量的计算资，则/>和/>分别表示在时间槽τ基站n和所有基站的计算资源分配决策；通常来说，只有当服务s在时间槽τ部署在基站n时，计算资源才会分配给需要服务s的计算量：
另外，在基站n处，分配给不同服务类型的任务的计算资源不应在任何时间槽超过基站n的总计算资源：
S102、根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型。
本实施例首先定义任务队列模型，如下：
定义5(任务队列模型)：令表示在时间槽τ基站n中服务s的任务挤压队列。具体来说，假设初始状态/>为一个非负的实值，那么下一个时间槽/>的任务队列积压计算如下：
为了保持整个边缘网络和每个任务队列的稳定性，需要对任务队列在时间槽上的平均积压时间进行约束：
其中，当ε→∞，任务队列积压是强稳定的；此外，任何服务的任务队列积压在每个时间槽都不应超过最大任务队列积压如果满足以下条件，称任务队列积压是平均稳定的：
根据任务队列的定义，可以给出任务迁移决策变量的约束如下：
这意味着任务迁移决策只依赖于当前时间段开始时已知的任务队列积压，而不依赖于未知的任务计算需求；为了方便，令由于无线信道的带宽有限，假设/>
进一步地，可以建立服务部署与任务卸载计算模型，如下：
本实施例专注于建立一个长期稳定的绿色移动边缘计算系统，为此需要优化服务配置和任务卸载管理决策，移动边缘计算系统的收益和服务部署成本定义如下：
定义6(收益)：令as表示MEC系统每完成单位比特的服务类型为s的任务所获得的收益。那么，MEC系统在时间槽τ获得的总收益为：
定义7(服务部署成本)：令cs,n表示在基站n部署服务s的服务部署成本；此外，只有当上个时间段没有部署该服务，且当前时间段部署该服务，才会产生部署成本。因此，根据服务安置决策xt,MEC系统在时间段t的总服务部署成本为：
定义8(任务迁移成本)：假设基站和云通过回程网络连接，任务需求可以从基站迁移到云。另一方面，从基站到云的距离要长得多，因此如果任务需求需要卸载到云，它可能需要通过多跳迁移，这会带来更多的成本。令cn,l表示从基站n到云的每单位任务迁移成本(以二进制形式传输，而不考虑服务类型)，则总的迁移成本可以计算为：
定义9(任务计算成本)：基站和云的任务计算成本主要来自能量消耗。令cf,n,s和cf,l,s分别表示基站n的任务计算成本和云的任务计算成本，则基站总的计算成本和云端总的计算成本/>分别为：
假设网络效用为移动边缘计算系统的净收益，定义为 移动边缘计算系统的目标是在保持整个边缘网络和每个任务队列稳定性的同时，通过做出服务放置和任务卸载管理决策，使网络效用最大化，在线服务的问题放置和任务卸载管理(OSPTM)的定义如下：
定义9(在线服务的问题放置和任务卸载管理问题)：在线服务的问题放置和任务卸载管理问题即服务部署与任务卸载计算模型，是要解决以下优化问题P1：
受限于：
(1)-(4),(6),(8)
S103、根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项。
进一步地，该步骤S103具体包括：
S1031、定义时间段t＝kT中所有服务的所有基站的任务队列积压向量得到二次李雅普诺夫函数L(Θ(t))。
S1032、根据二次李雅普诺夫函数L(Θ(t))，定义T-slot条件李雅普诺夫漂移。
S1033、设计漂移-减-效用最小化策略，以最小化每个时间段下漂移-减-效用项的上界。
进一步地，步骤S1031～S1033的具体说明如下：
定义为时间段t＝kT中所有服务的所有基站的任务队列积压向量；接下来介绍二次李雅普诺夫函数L(Θ(t))，如下所示，这是一个度量边缘网络的队列的拥塞程度：
二次李雅普诺夫函数L(Θ(t))总是非负的，当且仅当L(Θ(t))中所有元素等于0时，函数才等于0。直观的讲，如果所有队列都小则二次李雅普诺夫函数L(Θ(t))就小，如果至少有一个队列大，则二次李雅普诺夫函数就大。
然后，定义T-slot条件李雅普诺夫漂移为：
度量了基于当前任务挤压队列的一段时间内李亚普诺夫函数的预期变化。直观地说，可以通过最小化T-slot条件李雅普诺夫漂移来保持整个边缘网络和每个任务队列的稳定性。
接着，设计了一个漂移-减-效用最小化策略来最小化每个时间段下漂移-减-效用项的上界，如下式：
其中，V≥0是一个控制参数，它表示移动边缘计算系统强调效益最大化的重要性权重；具体而言：希望使ΔT(Θ(t))小，以使得队列积压为较低状态，这使得需要将更多的任务卸载到云端，这会大大增加迁移成本，从而使边缘网络整体效用较小；另一方面，也希望边缘网络的效用高以获取更高收益。利用李雅普诺夫优化技术，将长期优化问题分解为T时间槽优化问题，更易于求解。
S104、根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果。
对于每个时间槽，如果τ＝kT，则根据队列Θ(t)，服务部署决策xt-T(如果t＝0,xt-T＝0)和任务计算需求解决优化问题：
计算得到每个时间槽的服务部署、任务卸载、任务迁移和计算资源分配决策，即每个时间槽的服务部署与任务卸载结果。
通过重复步骤S104，根据求得计算资源分配决策，计算出移动边缘计算系统的净收益Uτ，进而可以求得一段时间的移动边缘计算系统平均效用。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读取存储介质中。
实施例2：
如图4所示，本实施例提供了一种联合服务部署与任务卸载装置，该装置包括确定模块401、建立模块402、优化模块403和计算模块404，各个模块的具体功能如下：
确定模块401，用于确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性。
建立模块402，用于根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型。
优化模块403，用于根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项。
计算模块404，用于根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配给不同的功能单元完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
如图5所示，本实施例提供了一种计算机设备，该计算机设备可以是计算机、服务器等，包括通过系统总线501连接的处理器502、存储器、输入装置503、显示器504和网络接口505。其中，处理器502用于提供计算和控制能力，存储器包括非易失性存储介质506和内存储器507，该非易失性存储介质506存储有操作系统、计算机程序和数据库，该内存储器507为非易失性存储介质506中的操作系统和计算机程序的运行提供环境，计算机程序被处理器502执行时，实现上述实施例1的联合服务部署与任务卸载方法，如下：
确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性；
根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型；
根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项；
根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时，实现上述实施例1的联合服务部署与任务卸载方法，如下：
确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性；
根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型；
根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项；
根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是计算机设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的操作的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照上述各个实施例的方法、系统和计算机设备的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于上述实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，上述实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与上述实施例公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
综上所述，本发明基于双时间尺度框架分别对服务部署和任务卸载进行决策，对现有的同步服务部署和任务卸载方法进行了推广，在该双时间尺度框架下，基于李雅普诺夫优化设计了一个在线算法，可以根据移动边缘计算系统当前的信息做出决策，而不需要未来的信息，大大降低了时间复杂度并且在延迟和效益中提供多种平衡方法，能够在合理的延迟下，实现异步的服务部署和任务卸载决策方法，提高移动边缘计算系统的整体效益，降低移动边缘计算系统的复杂性。
本领域技术人员应当理解，本发明不限于上述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种联合服务部署与任务卸载方法，其特征在于，所述方法包括：
确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性；
根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型；
根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项；
根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果；
所述确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性，具体包括：
考虑一个以时隙方式运行的移动边缘计算系统，将时间轴划分为个时间段，每个时间帧由长度为/>的时间槽组成；给定一个时间槽序列/> 定义t＝kT作为每个时间段[t,t+T-1]的开始；
考虑具有N个基站的移动边缘计算系统，将N个基站定义为每个基站有移动边缘计算服务器为该基站覆盖范围内的终端设备提供计算服务；将网络区域划分为I个不相交的子区域，定义为/>
假设基站n具有有限的计算资源来处理计算任务以及有限的存储空间来部署服务，将计算任务定义为Fn，将部署服务定义为Rn；假设移动边缘计算系统提供了S个计算服务，记为每个服务/>需要一个存储空间rs来存储与服务s相关的库和数据库，并且每比特的计算量需要fs的CPU周期；假设子区域i在时隙τ中对服务s的任务计算需求定义为/>服从参数为1/λs,i的指数分布；
所述服务部署与任务卸载计算模型，如下式：
所述服务部署与任务卸载计算模型受限于以下各式：
其中，为二元决策变量，表示服务s是否在时间段t部署在基站n，为时间段t基站n所有服务的服务配置决策集合，/> 为时间段t所有基站的服务部署决策集合；/>为连续决策变量，表示在时间槽τ卸载到基站n的任务计算需求量/>的比例，/>为所有子区域在时间槽τ基站n中服务s的卸载决策集合；/>为非负实数变量，表示在时间槽τ基站n分配给服务类型为s的任务计算量的计算资源，/>和分别表示在时间槽τ基站n和所有基站的计算资源分配决策；/>表示在时间槽τ基站n中服务s的任务挤压队列，/>表示在时间槽τ从基站n迁往云的服务为s的任务计算需求。
2.根据权利要求1所述的联合服务部署与任务卸载方法，其特征在于，所述根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项，具体包括：
定义时间段t＝kT中所有服务的所有基站的任务队列积压向量得到二次李雅普诺夫函数L(Θ(t))；
根据二次李雅普诺夫函数L(Θ(t))，定义T-slot条件李雅普诺夫漂移；
设计漂移-减-效用最小化策略，以最小化每个时间段下漂移-减-效用项的上界。
3.根据权利要求2所述的联合服务部署与任务卸载方法，其特征在于，所述二次李雅普诺夫函数L(Θ(t))，如下式：
其中，所述二次李雅普诺夫函数L(Θ(t))为非负函数，当且仅当L(Θ(t))中所有元素等于0时，李雅普诺夫函数等于0。
4.根据权利要求2所述的联合服务部署与任务卸载方法，其特征在于，所述漂移-减-效用最小化策略，如下式：
其中，V≥0，为一个控制参数，表示移动边缘计算系统强调效益最大化的重要性权重。
5.根据权利要求1所述的联合服务部署与任务卸载方法，其特征在于，所述根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果，如下式：
其中，Θ(t)表示时间段t＝kT中所有服务的所有基站的任务队列积压向量，表示在时间槽τ基站n中服务s的任务挤压队列；/> 表示在时间槽τ基站n分配给服务类型为s的任务计算量的计算资源，/>表示在时间槽τ从基站n迁往云的服务为s的任务计算需求，/>
6.一种联合服务部署与任务卸载装置，其特征在于，所述装置包括：
确定模块，用于确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性；
建立模块，用于根据异步时间间隙、划分情况和基本属性，建立服务部署与任务卸载计算模型；
优化模块，用于根据李雅普诺夫优化计算任务队列、李雅普诺夫漂移和漂移-减-效用项；
计算模块，用于根据服务部署与任务卸载计算模型以及李雅普诺夫优化计算结果，计算每个时间槽的服务部署与任务卸载结果；
所述确定移动边缘计算系统的异步时间间隙、边缘网络覆盖区域的划分情况以及移动边缘计算系统的基本属性，具体包括：
考虑一个以时隙方式运行的移动边缘计算系统，将时间轴划分为个时间段，每个时间帧由长度为/>的时间槽组成；给定一个时间槽序列/> 定义t＝kT作为每个时间段[t,t+T-1]的开始；
考虑具有N个基站的移动边缘计算系统，将N个基站定义为每个基站有移动边缘计算服务器为该基站覆盖范围内的终端设备提供计算服务；将网络区域划分为I个不相交的子区域，定义为/>
假设基站n具有有限的计算资源来处理计算任务以及有限的存储空间来部署服务，将计算任务定义为Fn，将部署服务定义为Rn；假设移动边缘计算系统提供了S个计算服务，记为每个服务/>需要一个存储空间rs来存储与服务s相关的库和数据库，并且每比特的计算量需要fs的CPU周期；假设子区域i在时隙τ中对服务s的任务计算需求定义为/>服从参数为1/λs,i的指数分布；
所述服务部署与任务卸载计算模型，如下式：
所述服务部署与任务卸载计算模型受限于以下各式：
其中，为二元决策变量，表示服务s是否在时间段t部署在基站n，为时间段t基站n所有服务的服务配置决策集合，/> 为时间段t所有基站的服务部署决策集合；/>为连续决策变量，表示在时间槽τ卸载到基站n的任务计算需求量/>的比例，/>为所有子区域在时间槽τ基站n中服务s的卸载决策集合；/>为非负实数变量，表示在时间槽τ基站n分配给服务类型为s的任务计算量的计算资源，/>和分别表示在时间槽τ基站n和所有基站的计算资源分配决策；/>表示在时间槽τ基站n中服务s的任务挤压队列，/>表示在时间槽τ从基站n迁往云的服务为s的任务计算需求。
7.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-5任一项所述的联合服务部署与任务卸载方法。
8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-5任一项所述的联合服务部署与任务卸载方法。
CN202110337597.9A 2021-03-30 2021-03-30 联合服务部署与任务卸载方法、装置、计算机设备及介质 Active CN113010317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110337597.9A CN113010317B (zh) 2021-03-30 2021-03-30 联合服务部署与任务卸载方法、装置、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110337597.9A CN113010317B (zh) 2021-03-30 2021-03-30 联合服务部署与任务卸载方法、装置、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN113010317A CN113010317A (zh) 2021-06-22
CN113010317B true CN113010317B (zh) 2023-08-22

Family

ID=76409084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110337597.9A Active CN113010317B (zh) 2021-03-30 2021-03-30 联合服务部署与任务卸载方法、装置、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN113010317B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114727336B (zh) * 2022-04-21 2024-04-12 中国联合网络通信集团有限公司 一种卸载策略确定方法、装置、电子设备及存储介质
CN115225671B (zh) * 2022-07-15 2024-03-15 湖南大学 AIoT智慧医疗多址边缘卸载方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857546A (zh) * 2019-01-03 2019-06-07 武汉理工大学 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法
CN111258677A (zh) * 2020-01-16 2020-06-09 重庆邮电大学 面向异构网络边缘计算的任务卸载方法
CN111756812A (zh) * 2020-05-29 2020-10-09 华南理工大学 一种能耗感知的边云协同动态卸载调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857546A (zh) * 2019-01-03 2019-06-07 武汉理工大学 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法
CN111258677A (zh) * 2020-01-16 2020-06-09 重庆邮电大学 面向异构网络边缘计算的任务卸载方法
CN111756812A (zh) * 2020-05-29 2020-10-09 华南理工大学 一种能耗感知的边云协同动态卸载调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Joint Optimization Offloading and Resource Allocation in Vehicular Edge Cloud Computing Networks with Delay Constraints;Xueying Liu et al.;《2020 IEEE International Conference on Progress in Informatics and Computing (PIC) |》;第363-368页 *

Also Published As

Publication number Publication date
CN113010317A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
US11410046B2 (en) Learning-based service migration in mobile edge computing
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
US10866836B1 (en) Method, apparatus, device and storage medium for request scheduling of hybrid edge computing
Cong et al. EdgeGO: A mobile resource-sharing framework for 6G edge computing in massive IoT systems
CN110413392A (zh) 一种移动边缘计算场景下制定单任务迁移策略的方法
Le Tan et al. Location-aware load prediction in edge data centers
CN113010317B (zh) 联合服务部署与任务卸载方法、装置、计算机设备及介质
US11974147B2 (en) Dynamic cloudlet fog node deployment architecture
CN109947574B (zh) 一种基于雾网络的车辆大数据计算卸载方法
CN109151864A (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
CN109714382B (zh) 一种非平衡边缘云mec系统的多用户多任务迁移决策方法
CN112148492A (zh) 一种考虑多用户移动性的服务部署和资源分配方法
US11564063B2 (en) Intelligent dynamic communication handoff for mobile applications
CN115033373A (zh) 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法
CN111988787B (zh) 一种任务的网络接入和服务放置位置选择方法及系统
CN113535397B (zh) 一种智能车辆边缘计算网络的资源分配方法
Fu et al. An actor-critic reinforcement learning-based resource management in mobile edge computing systems
Li et al. Asynchronous online service placement and task offloading for mobile edge computing
Ahat et al. Optimal server and service deployment for multi-tier edge cloud computing
Ma et al. Mobility-aware delay-sensitive service provisioning for mobile edge computing
Malazi et al. Distributed service placement and workload orchestration in a multi-access edge computing environment
CN110290539A (zh) 基于用户移动感知和资源预留的移动增强现实应用的资源分配装置及其工作方法
CN114186416B (zh) 一种边缘网络数据年龄优化方法及系统
Yao et al. A Data-driven method for adaptive resource requirement allocation via probabilistic solar load and market forecasting utilizing digital twin
Du et al. Adaptive joint placement of edge intelligence services in mobile edge computing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant